論文の概要: DRIFT: Diffusion-based Rule-Inferred For Trajectories
- arxiv url: http://arxiv.org/abs/2603.00936v1
- Date: Sun, 01 Mar 2026 05:54:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.793546
- Title: DRIFT: Diffusion-based Rule-Inferred For Trajectories
- Title（参考訳）: DRIFT:拡散に基づく軌道のルール推論
- Authors: Jinyang Zhao, Handong Zheng, Yanjiu Zhong, Qiang Zhang, Yu Kang, Shunyu Wu,
- Abstract要約: 非構造環境における移動ロボットの軌道生成は、スムーズで安全な実行と細粒度タスクの終端精度のバランスをとるという、重要なジレンマに直面している。
本稿では、2つの相補的帰納バイアスを統合することで高忠実度参照軌道を生成するための条件付きフレームワークであるDRIFTを提案する。
その結果、DRIFTはこれらの相反する目的を調整し、センチメートルレベルの模倣忠実度(0.041m FDE)と競争滑らか度(27.19 Jerk)を達成することを示した。
- 参考スコア（独自算出の注目度）: 15.78457153766977
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory generation for mobile robots in unstructured environments faces a critical dilemma: balancing kinematic smoothness for safe execution with terminal precision for fine-grained tasks. Existing generative planners often struggle with this trade-off, yielding either smooth but imprecise paths or geometrically accurate but erratic motions. To address the aforementioned shortcomings, this article proposes DRIFT (Diffusion-based Rule-Inferred for Trajectories), a conditional diffusion framework designed to generate high-fidelity reference trajectories by integrating two complementary inductive biases. First, a Relational Inductive Bias, realized via a GNN-based Structured Scene Perception (SSP) module, encodes global topological constraints to ensure holistic smoothness. Second, a Temporal Attention Bias, implemented through a novel Graph-Conditioned Time-Aware GRU (GTGRU), dynamically attends to sparse obstacles and targets for precise local maneuvering. In the end, quantitative results demonstrate that DRIFT reconciles these conflicting objectives, achieving centimeter-level imitation fidelity (0.041m FDE) and competitive smoothness (27.19 Jerk). This balance yields highly executable reference plans for downstream control.
- Abstract（参考訳）: 非構造環境における移動ロボットの軌道生成は、キネマティックな滑らかさのバランスと、微細なタスクの終端精度のバランスという、重要なジレンマに直面している。
既存の生成的プランナーは、しばしばこのトレードオフに苦慮し、滑らかだが不正確な経路か、幾何学的に正確だが不規則な動きをもたらす。
本稿では,2つの相補的帰納バイアスを統合して高忠実度参照軌道を生成する条件拡散フレームワークであるDRIFT(Diffusion-based Rule-Inferred for Trajectories)を提案する。
まず、GNNをベースとしたStructured Scene Perception (SSP)モジュールを通じて実現されたリレーショナルインダクティブバイアス(Relational Inductive Bias)により、グローバルなトポロジ的制約を符号化し、全体的滑らか性を保証する。
第二に、GTGRU(Graph-Conditioned Time-Aware GRU)によって実装された時間的注意バイアスは、障害の分散と正確な局所的な操作のためのターゲットを動的に支援する。
結局のところ、定量的な結果は、DRIFTがこれらの対立する目標を調整し、センチメートルレベルの模倣忠実度(0.041m FDE)と競争滑らかさ(27.19 Jerk)を達成することを示した。
このバランスは、下流制御のための非常に実行可能な参照計画をもたらす。
関連論文リスト
- A Neuro-Symbolic Framework Combining Inductive and Deductive Reasoning for Autonomous Driving Planning [11.4334803806548]
本稿では、厳密な推論をエンドツーエンドのニューラルネットワークにシームレスに統合する新しいニューロシンボリック・トラジェクトリ・プランニング・フレームワークを提案する。
具体的には,Large Language Model (LLM) を用いてシーンルールを動的に抽出する。
また、高いレベルの論理的決定を学習可能な埋め込みベクトルに変換する決定条件の復号化機構も導入する。
論文 参考訳（メタデータ） (2026-03-12T20:09:18Z) - Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。
AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする
我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
論文 参考訳（メタデータ） (2026-03-12T18:19:21Z) - Score-Guided Proximal Projection: A Unified Geometric Framework for Rectified Flow Editing [1.0312968200748118]
Rectified Flowモデルは最先端の世代品質を実現するが、正確なタスクのためにそれらを制御することは依然として困難である。
現在のアプローチは「幾何学的ロック」に苦しむ逆法に基づくガイダンスに分岐する
Score-Guided Proximal Projectionは,決定論的最適化と縮尺サンプリングのギャップを埋める統一フレームワークである。
論文 参考訳（メタデータ） (2026-03-05T23:44:45Z) - Joint Geometric and Trajectory Consistency Learning for One-Step Real-World Super-Resolution [14.52346301984322]
拡散に基づくReal-World Image Super-Resolution (Real-ISR)は、印象的な知覚品質を実現するが、反復サンプリングによる高い計算コストに悩まされる。
本稿では,GTASR(Geometric Trajectory Alignment Super-Resolution)を提案する。
論文 参考訳（メタデータ） (2026-02-27T18:13:31Z) - Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。
本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。
9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
論文 参考訳（メタデータ） (2026-02-09T22:48:30Z) - PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。
静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。
高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
論文 参考訳（メタデータ） (2026-01-19T07:57:52Z) - Beyond Imitation: Constraint-Aware Trajectory Generation with Flow Matching For End-to-End Autonomous Driving [18.239343348322134]
本稿では,制約付きフローマッチングを利用する新しい計画フレームワークであるCATGを提案する。
CatGは、本質的にモード崩壊を引き起こすフローマッチングプロセスを明示的にモデル化する。
CatGは、生成中の運転攻撃性を制御信号としてパラメータ化し、軌道スタイルの正確な操作を可能にする。
論文 参考訳（メタデータ） (2025-10-30T09:24:34Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - NoTVLA: Narrowing of Dense Action Trajectories for Generalizable Robot Manipulation [54.87964060934928]
VLA(Vision-Language-Action)モデルは、現実の展開において重要な障壁に直面している。
本稿では,軌道の狭小化に焦点を絞った新しい手法として,軌道の狭小化(Narrowing of Trajectory)VLAフレームワークを提案する。
NoTVLAは2つのクリティカルな制約の下で動作しながら、pi0よりも優れたパフォーマンスと一般化を実現している。
論文 参考訳（メタデータ） (2025-10-04T18:26:55Z) - Dynamic Position Transformation and Boundary Refinement Network for Left Atrial Segmentation [17.09918110723713]
左心房細動は不整脈(心房細動)の診断において重要な手法である。
LAセグメンテーションの現在のほとんどの方法は、入力データがオブジェクト指向のセンタートリミングによって取得されると厳密に仮定している。
本稿では,これらの問題に対処するための新しい動的位置変換と境界改善ネットワーク(DPBNet)を提案する。
論文 参考訳（メタデータ） (2024-07-07T22:09:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。